KI etabliert sich bei Ihnen nur schleppend? Dann hilft Ihnen ein weiteres KI-Tool womöglich nicht weiter. Stattdessen könnte ein Coach die Lösung sein – und der wiederum muss nicht unbedingt ein Mensch sein.
„Wir können niemanden zu selbstbestimmtem Lernen zwingen“, konstatiert Prachi Prasad, Global Head, Leadership and Learning Develeopment bei dunnhumby. „Deshalb müssen wir Voraussetzungen und Ökosysteme schaffen, die Lernen fördern.“
So lautet die Arbeitshypothese von dunnhumby, einem weltweit operierenden Anbieter kundenbezogener Data Science, der führende Marken wie Tesco, Walmart und Nestlé betreut.
Innerhalb dieses Ökosystems nahm Coaching eine zentrale Rolle ein. Entsprechende Angebote lückenlos für 3.000 Mitarbeitende in 25 Ländern verfügbar zu machen, übertraf jedoch das Pensum, das menschliche Coaches alleine bewältigen konnten.
„Selbstbestimmtheit klingt nach etwas sehr Befähigendem. Doch es ist Befähigung ohne Unterstützung“, stellt Prasad klar. „Mitunter fühlt es sich eher so an, als würde man alleingelassen. Eine Lösung dafür sahen wir darin, mehr Coaching anzubieten. In gleichbleibender Qualität war das mit menschlichem Personal allein jedoch nicht umsetzbar – schon rein rechnerisch ging das nicht auf.“
So fasste dunnhumby den Entschluss, das Angebot zur Skillentwicklung durch KI-gestütztes Coaching zu ergänzen. Hierfür testete das Team alle möglichen Optionen: Standard-Tools „von der Stange“, eine maßgeschneiderte interne Entwicklung und eine speziell konzipierte Lösung. Auf der Veranstaltung von Degreed führte Prasad die Teilnehmenden durch drei KI-Coaching-Experimente, anhand derer das Team die Lücke zwischen der Verfügbarkeit von Technologie und der entsprechenden Anwendungsfähigkeit von Mitarbeitenden schließen wollte.
Experiment 1: KI-Coaching von der Stange
Hierbei griff man auf einfaches Standard-Tool für KI-gestütztes Coaching zurück, das es Mitarbeitenden ermöglicht, sich selbst dabei aufzuzeichnen, wie sie einen Pitch abhalten, eine Präsentation einüben oder ein schwieriges Gespräch führen. Der KI-Coach analysiert Tempo und Inhalt, gibt Feedback und stellt prüfende Fragen.
Anfangs waren die Ergebnisse durchaus vielversprechend. Das Technologie- und Data-Science-Team, in dem dunnhumby das Tool eingeführt hatte, schätzte die Möglichkeit zum Üben, ohne von einer menschlichen Person beurteilt zu werden. Der NPS fiel hoch aus, und die Resonanz war außerordentlich positiv. Auch bei Kunden-Pitches war eine merkliche Verbesserung der Ergebnisse festzustellen.
Als Problem erwies sich jedoch die Benutzerschnittstelle. Es fehlte an Konsistenz, was aussagekräftiges, konkret umsetzbares Feedback anbelangt. Möglichkeiten zur Konfiguration oder anderweitigen Verbesserung bot das Produkt dabei kaum. Das Team von dunnhumby wendete sich daraufhin anderen Optionen zu.
Ergebnis: Der KI-Coach funktionierte, doch es haperte an der Benutzerschnittstelle. Er wurde zwar weithin angenommen, konnte den gewünschten Wert aber nicht konsistent liefern.
Experiment 2: Maßgeschneiderte, interne KI-Coaching-Entwicklung
Im zweiten Experiment stand eine Entwicklung in Eigenregie im Fokus. Hierfür entwickelte dunnhumby ein KI-Coaching-Tool namens „Change the Conversation“, was sinngemäß in etwa „grundlegend neue KI-Gesprächserfahrung“ bedeutet. Dem Coach lag das unternehmenseigene 4D-Framework zugrunde; bereitgestellt wurde er direkt in Microsoft Teams.
Damit war es möglich, Übungsszenarien von A bis Z anzupassen. Außerdem vertrauten die Mitarbeitenden dem Tool, da es auf dem spezifischen Kontext und Framework von dunnhumby basierte. In der Besucherresonanz zeigte sich dies deutlich, beim NPS wurde ein Wert über 60 erzielt.
Die Kosten einer von Grund auf neuen Entwicklung waren jedoch erheblich, zumal auch die Wartung eines maßgeschneiderten Tools fortlaufender Aufmerksamkeit und Investitionen bedurfte.
„Investieren muss man dafür nicht nur Zeit, sondern auch Geld“, kommentiert Prasad.
Die Entwicklung wie auch die Wartung waren mit einer steilen Lernkurve verbunden. Ein komplett in Eigenregie entwickeltes Tool bringt eben auch jede Menge Arbeit mit sich – einschließlich der unternehmensweiten Vorbereitung auf seinen Einsatz.
Ergebnis: Das maßgeschneiderte Modell genoss großes Vertrauen und wurde häufig genutzt. Zugleich war es aber kostspielig in der Entwicklung und teuer in der Wartung.
Experiment 3: KI-Coaching zur Karriereentwicklung mit Degreed Maestro
Das dritte Experiment ist noch nicht abgeschlossen, doch wie Prasad bereits festhalten kann, „kommt es unserer Vorstellung davon, wie oder in welche Richtung sich unsere Mitarbeitenden entwickeln sollen, am nächsten.“
Zum Einsatz kommt dabei ein Coach zur Karriereentwicklung, der auf Degreed Maestro basiert. Im Unterschied zu einem KI-gestützten Tool für allgemeine Zwecke verfügte Maestro bereits über Hintergrundwissen zu dunnhumby. Das Kompetenz-Framework, die Ressourcen zur Karriereentwicklung, die 70:20:10-Lernmethodik und die Lerndaten, die in Degreed bereits zu den Mitarbeitenden erfasst sind, wurden allesamt eingespeist. Der Kontext war also bereits vorhanden.
Dieser Coach zur Karriereentwicklung ermöglicht es den Mitarbeitenden, Skill-Lücken zu identifizieren, Aktionspläne zu entwickeln und sich auf Gespräche mit ihren Manager:innen vorzubereiten – und zwar nach ihrem eigenen Zeitplan. Durch dessen Einführung wurde Coaching genau dann verfügbar, wenn es benötigt wurde – überall und jederzeit.
„Es geht hier keineswegs darum, menschliche Betreuung bei der Karriereentwicklung zu ersetzen. Es könnte aber auch sein, dass sich um 23 Uhr abends Sorgen um die eigene Karriere einstellen. Und dann weiß man, dass man sich immer an jemanden wenden kann“, betont Prasad.
Ergebnis: Ein endgültiges Urteil steht noch aus, doch die Kombination aus bedarfsgerechtem Zugang und umfassendem Unternehmenskontext führt bereits zu einer nahtloseren Entwicklungserfahrung.
Experimentieren mit dem KI-Coaching-Anwendungsfall
Prasad zufolge sollte man sich zunächst einmal die Frage stellen, ob der Anwendungsfall, mit dem man beginnt, der richtige ist. Denn ganz gleich, welche Technologie getestet wird: Wenn man nicht am richtigen Anwendungsfall ansetzt, können auch nicht die richtigen Ergebnisse erzielt werden. Im Anschluss daran, so Prasad, sollte man sich die folgenden Fragen stellen:
- Ist der Workflow klar genug für KI?
- Welche Rolle soll der KI überhaupt zukommen?
- Mit welchen Systemen muss sie sich verbinden?
- Wie ist es um die Governance- und Kontrollebene bestellt?
- Wie stellen wir fest, ob unser Vorhaben funktioniert?
Für dunnhumby erwies sich Coaching als Lösung für das Problem, selbstbestimmtes Lernen nicht allein durch die Bereitstellung von Inhalten skalieren zu können. Die drei Experimente des Teams lieferten Antworten auf eine noch spezifischere Frage: Mit welchen Tools lässt sich Coaching so umsetzen, dass es skalierbar, auf Abruf verfügbar und durch den nötigen Unternehmenskontext gestützt ist, um echten Nutzen zu bringen?
So sieht ein KI-Experiment aus, das umsetzbare Ergebnisse liefern kann.
Über die Misserfolge zu sprechen, ist genauso wichtig wie das Herausstellen dessen, was funktioniert hat. Unternehmen, die echte KI-Kompetenz entwickeln, entscheiden sich nicht für das Tool, das sich am ansprechendsten präsentiert. Ebenso wenig wählen sie das einfachste Tool. Vielmehr führen sie so lange Tests durch, bis sie das richtige gefunden haben. Genau diesen Ansatz hat dunnhumby verfolgt.
Unser heißer Draht zu Ihnen.
Exklusive Einblicke, Infos zu bevorstehenden Veranstaltungen, Updates zu Degreed-Lösungen – das alles erwartet Sie in unserem monatlichen Newsletter.